ගැඹුරු ඉගෙනුම්: සිය උසස්ම යන්ත්රය ඉගෙනීම

කෘතිම බුද්ධිය විකාශනය පිළිබඳ ඔබ දැනගත යුතු දේ

ගැඹුරු ඉගෙනුම යනු පරිගණකමය ඉගෙනුම් (ML) බලගතු ආකාරයක් වන දත්තයන් (තොරතුරු) යොදා ගනිමින් ස්නායුක ජාලයන් ලෙස සංකීර්ණ ගණිතමය ව්යුහයන් තැනීමටයි .

ගැඹුරු ඉගෙනුම් අර්ථ දැක්වීම

වඩා සංකීර්ණ ආකාරයේ දත්ත සැකසීමේදී ස්නායු පද්ධතියේ බහු ස්ථරයන් භාවිතා කිරීම සඳහා ගැඹුරින් ඉගෙනීම ML ක්රමයක් ක්රියාත්මක කිරීමකි. ඇතැම් අවස්ථාවලදී ධූරාවලි අධ්යයන ලෙස හැඳින්වේ, ගැඹුරු ඉගෙනුම් ලක්ෂණ ඉගෙන ගැනීම සඳහා විවිධ ආකාරයේ ස්නායු ජාල භාවිතා කරයි. ඒවායින් අමු, අනනිත දත්ත (නොවිධිමත් කරන ලද දත්ත) විශාල සොයා ගනී. ගැඹුරු ඉගෙනුමේ පළමු දියමන්ති ප්රදර්ශනය වූයේ යූ ටියුබ් වීඩියෝ පටවලින් සාර්ථකව බළලුන්ගේ පින්තූර තෝරා ගත් වැඩසටහනකි.

දෛනික ජීවිතයේ ගැඹුරු ඉගෙනුම් උදාහරණ

ගැඹුරු ඉගෙනුම රූපය හඳුනා ගැනීම සඳහා පමණක් නොව, භාෂා පරිවර්ථනය, ප්රෝඩා හඳුනා ගැනීම සහ ඔවුන්ගේ පාරිභෝගිකයන් පිළිබඳව සමාගම් විසින් එකතු කරන ලද දත්ත විශ්ලේෂණය කිරීම පමණක් නොවේ. නිදසුනක් ලෙස, ඔබගේ නිරීක්ෂණ පුරුදු විශ්ලේෂණය කිරීමට Netflix ගැඹුරු ඉගෙනුම් උපයෝගී කර ගනියි. ඔබගේ යෝජනාවලින් පේනු නිසි චිත්රපට සහ ස්වභාවික වාර්තාමය වැඩසටහන් ඉදිරිපත් කිරීමට නෙට්ෆික්ස් දන්නවා. මෑතකදී ඔබව සොයා ගත් මෑත මිලදී ගැනීම් සහ මෑතකදී ඔබ සෙවූ භාණ්ඩ විශ්ලේෂණය කිරීමට ඇඩ්රෝසීන් භාවිතා කරන නව ඇල්බම ඇල්බම සඳහා යෝජනා නිර්මාණය කිරීමට සහ අළු හා කහ ටෙනිස් පාවහන්. ගුරුත්වාකර්ෂණ පුහුණුව නොලැබෙන සහ අමුද දත්තවලින් වඩාත් ගැඹුරු අවබෝධයක් ලබා දෙන අතරම, ඔබේ ගනුදෙනුකරුවන්ගේ අවශ්යතාවයන් වඩා හොඳයි.

කෘතිම ස්නායු නෙට්වර්ක්ස් සහ ගැඹුරු ඉගෙනුම්

ගැඹුරු ඉගෙනීම පහසු කර ගැනීම සඳහා, කෘතිම ස්නායු ජාලය (ANN) පිළිබඳ සසඳා බලමු. ගැඹුරු ඉගෙනුම සඳහා, අපගේ 15 ගොඩනැඟිල්ලේ කාර්යාල ගොඩනැගිල්ල වෙනත් කාර්යාල ගොඩනැගිලි පහක් සහිත නගරයක් බවට පත් කර ගනිමු. වීදිවල එක් පැත්තක ගොඩනැඟිලි තුනක් තිබේ. A ගොඩනැගිල්ල A ගොඩනැගිල්ල ගොඩනැගීම හා ගොඩනැගිල්ල B සහ C ලෙස ගොඩනැඟිලි දෙකටම බෙදාහරින අතර A ගොඩනැගිල්ලේ සිට වීදිය හරහා ගොඩනැඟිල්ලේ 1 වන අතර, ගොඩනැගිල්ල B සිට ගොඩනැගෙමින් පවතී 2 වන අතර, එවැන්නකි. සෑම ගොඩනැඟිල්ලකම විවිධ තට්ටු වර්ග ඇත. විවිධ ද්රව්ය වලින් සාදා ඇති අතර අනෙකුත් වාස්තු විද්යාත්මක ශෛලීන් ඇත. කෙසේ වෙතත්, එක් එක් ගොඩනැගිල්ලේ වෙනමම තට්ටු (ස්ථර) සකස් කර ඇත. සෑම ගොඩනැගිල්ලක්ම අද්විතීය ANN වේ.

කෙසේ වෙතත් ඩිජිටල් පැකේජය, ආකෘති දත්ත, වීඩියෝ දර්ශන, ශ්රව්ය ප්රවාහ, දුරකථන ඇමතුම්, ගුවන් විදුලි තරංග සහ ඡායාරූප වැනි විවිධ මූලාශ්රයන්ගෙන් විවිධාකාර මූලාශ්රයන්ගෙන් සමන්විත විවිධ තොරතුරු රැසක් ලබා ගත හැකි බව සිතමු. කිසිදු තර්කාන්විත ලෙස (අසංවිධිත දත්ත) ලේබල්ගත නොකළ හෝ වර්ගීකරණය කර නොමැත. මෙම තොරතුරු දත්ත සැකසීම සඳහා ^{පළමු වන දින} සිට 15 ^වන දින දක්වා එක් එක් මහලේ යවනු ලැබේ. තොරතුරු හෙළිදරව් 15 වන මහල (ප්රතිදානය) ළඟා වන විට, එය ගොඩනැගිල්ල 3 සිට 1 ^වන මහල (යෙදවුම්) දක්වා යවනු ලැබේ. ගොඩනැගිල්ලේ සිට ගොඩනැගිලි 3 දක්වා ඉගෙන ගන්නා අතර, ඒ ගොඩනැගීම මගින් යවන ලද ප්රතිඵලය ඇතුළත් කර ඇත. ඉන් පසුව එම බිම් තීරුව හරහා තොරතුරු රැස්කිරීම සිදු කරයි. තොරතුරු ගොඩනැගිල්ලේ ඉහළ තට්ටුව කරා ළඟා වන විට එම ගොඩනැඟිල්ලේ ගොඩනැඟිල්ලට එහි ප්රතිඵලයක් යවනු ලැබේ. 1. ගොඩනැගිල්ල 1 සිට බිම් සැකසීමට පෙර ගොඩනැඟිලි 1 සිට ඉගෙන ගන්නා අතර එහි ප්රතිඵල ඇතුළත් වේ. ෙගොඩනැගිල්ෙල් 1 ෙගොඩනැගිලි සකස් කිරීමට හා ෙගොඩනැගිල්ලට ෙගොඩනැගිලි සඳහා C ෙගොඩනැගිලි සඳහා ෙතොරතුරු සහ පතිඵල ලබා ෙදයි.

සෑම ANN (ගොඩනැගිල්ලක්) අපගේ උදාහරණයෙහි නො වස්තුගත දත්තවල (වෙනස්කම් පිළිබඳ තොරතුරු) වෙනත් ගුණාංගයක් සොයයි. ඊළඟ ගොඩනැගිල්ලට ප්රතිඵල ප්රතිඵල දෙයි. ඊළඟ ගොඩනැගිල්ල මීට පෙර සිදු වූ ප්රතිඵල (ප්රතිඵල) ඇතුළත් වේ. එක් එක් ANN (ගොඩනැගිලි) මගින් දත්ත එක්රැස් කරනු ලබන විට, එය අවසන් ANN (ගොඩනැගිල්ල) අවසන් දත්ත ප්රතිදානය (ඉහළ මහල) කරා ළඟා වන විට එය විශේෂිත ලක්ෂණයක් මගින් සංවිධානය කරනු ලබන අතර එය ලේබල්ගත කර ඇත (වර්ගීකරනය කරනු ලැබේ), එය වර්ගීකරණය කොට සලකුණු කර ඇත (වඩාත් සංවිධානාත්මක).

කෘතිම බුද්ධිය, යන්ත්ර ඉගෙනීම සහ ගැඹුරු ඉගෙනුම්

කෘතිම බුද්ධිය (AI) සහ ML යන සමස්ත රූපයේ ගැඹුරු ඉගෙනුම ගැළපෙන්නේ කෙසේද? ගැඹුරු ඉගෙනුම ML බලය වැඩි දියුණු කරන අතර කාර්යය පරාසය වැඩිකිරීමට AI සමත් වේ. සරල කාර්යය සඳහා විශේෂිත ඇල්ගොරිතම වෙනුවට වෙනුවට ස්නායු දැල් භාවිතය හා දත්ත කට්ටල හඳුනා ගැනීමෙන්, එය ක්රමලේඛකයා විසින් පළමුවෙන් ලේබල් කිරීම සඳහා අවශ්ය වූවක් තොරව නොකැළඹෙන (අමු) දත්ත සොයාගෙන ඒවා භාවිතා කළ හැක. දෝෂයන් හඳුන්වා දිය හැකිය. ගැඹුරු ඉගෙනුම මගින් සංගත හා පුද්ගලයන්ට සහාය වීම සඳහා දත්ත භාවිතා කිරීමේදී වඩා හොඳ සහ වඩා හොඳ තත්ත්වයේ පරිගණකයක් ලබා දෙයි.